tslearn-team/tslearn

tslearn – Python 时序数据机器学习工具包

简介 – 一个扩展了熟悉的 scikit-learn API 以处理时序数据的 Python 库。它提供了用于加载、预处理和生成时序数据的实用程序，以及用于分类、聚类、回归和相似性度量的算法集合。

核心功能

• 数据处理 – 将列表、其他工具包或 UCR 基准数据集转换为所需的 3D NumPy 数组 (n_ts, max_len, dim)。支持变长序列。
• 预处理 – 缩放、重采样、分段转换 (piece-wise transforms) 和合成生成器。
• 算法
  • 分类: K-Nearest-Neighbour, Support-Vector Classifier, Learning Shapelets, Early Classification.
  • 回归: K-Nearest-Neighbour Regressor, Support-Vector Regressor, MLP.
  • 聚类: TimeSeriesKMeans, K-Shape, Kernel K-Means.
  • 指标: Dynamic Time Warping, Global Alignment Kernel, matrix-profile, barycenters.
• 完全兼容 scikit-learn – 模型可以在 pipelines、grid-search 和其他 scikit-learn 实用程序中使用。

安装

# PyPI (recommended)
python -m pip install tslearn

# Conda
conda install -c conda-forge tslearn

# From source
python -m pip install https://github.com/tslearn-team/tslearn/archive/main.zip

（需要 Python 3.10+ 及标准的 scientific-Python 技术栈。）

典型工作流程

1. 加载/格式化 数据 → to_time_series_dataset 或内置加载器之一。
2. 使用 TimeSeriesScalerMinMax、重采样等进行预处理。
3. 拟合 (Fit) 模型，例如 KNeighborsTimeSeriesClassifier。
4. 使用相同的 scikit-learn 风格方法进行预测 / 评估。
5. 可选地计算距离、重心 (barycenters) 或其他分析。

文档与示例 – 完整的 API 参考、用户指南和 Jupyter notebook 库托管在 Read the Docs 上：https://tslearn.readthedocs.io。

社区 – 在 GitHub 上开源，提供贡献指南、功能请求的议题追踪器，以及可用于学术引用的引用信息 (JMLR 2020)。